CN103403760A - 图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法 - Google Patents

图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法 Download PDF

Info

Publication number
CN103403760A
CN103403760A CN2011800688105A CN201180068810A CN103403760A CN 103403760 A CN103403760 A CN 103403760A CN 2011800688105 A CN2011800688105 A CN 2011800688105A CN 201180068810 A CN201180068810 A CN 201180068810A CN 103403760 A CN103403760 A CN 103403760A
Authority
CN
China
Prior art keywords
mentioned
mark
image
registered images
relative evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011800688105A
Other languages
English (en)
Other versions
CN103403760B (zh
Inventor
入江淳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Omron Corp filed Critical Omron Corp
Publication of CN103403760A publication Critical patent/CN103403760A/zh
Application granted granted Critical
Publication of CN103403760B publication Critical patent/CN103403760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

在将拍摄了人物的面部的输入图像（A1）与注册了包含面部特征数据的注册图像（R）的注册图像数据库（21）进行比对的面部认证装置（1）中，包括：绝对评价部（331），算出上述输入图像（A1）的面部特征数据（A11）与在注册图像R中包含的面部特征数据之间的绝对评价分数；相对评价部（334），算出用于表示在上述注册图像数据库（21）中注册的一个人物对其他的人物在多大程度上与输入图像（A1）的人物近似的相对评价分数；评价合并部，算出将绝对评价分数和相对评价分数进行加权后合并的合并分数；以及认证结果输出部（34），基于合并分数来进行上述输入图像（A1）的比对。

Description

图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法
技术领域
本发明涉及将拍摄了对象物的图像与图像数据库进行比对的图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法。
背景技术
以往，已知预先将拍摄了人物的面部的图像注册在数据库中，根据拍摄了应进行认证的人物的面部的图像的输入，将被输入的图像与数据库的注册内容进行比较，从而识别个人来进行认证的面部认证技术。
关于面部认证技术中的认证处理，例示的是由注册以及认证的处理构成。具体说明如下。
首先，在注册时，从拍摄了人物的面部的图像中提取表示该人物的面部的特征的特征量而注册。另一方面，在认证时，从被输入的图像中提取该特征量。此外，从被输入的图像中提取的特征量与在数据库中注册的特征量进行比较，算出认证分数。然后，通过评价认证分数，判定被输入的图像是否与在数据库中注册的图像一致。
这里，已知在注册了如兄弟或亲子等关系的具有相似的面部的人物的情况下，由于存在在这些人物之间算出近似的认证分数的倾向，所以在认证时容易产生错误认证。即，若单纯地仅仅比较输入图像与在数据库中注册的人物的图像，则存在在面部相似的注册人物之间产生错误认证的可能性。
为了防止这样的错误认证，提出了各种技术。例如，在专利文献1中，公开了如下技术：将面部相似的人物的注册数据进行分组，在认证分数的评价中，设定与各个组对应的阈值。
现有技术文献
专利文献
专利文献1：日本公开专利公报“特开2003-141542号公报（公开日：2003年5月16日公开）”
发明内容
发明要解决的课题
但是，在专利文献1中记载的技术中，难以设定适当的阈值。例如，在如兄弟这样相似的人物之间算出近似的认证分数的情况下，难以以能够区分两者的方式预先设定阈值。因此，阈值的设定存在不得不在试行错误后凭经验决定的倾向。
本发明是鉴于上述问题而完成的，其目的在于，实现一种通过将基于输入图像与数据库的注册图像之间的比较的评价和除此以外的评价方法进行组合，能够提高认证精度的面部认证装置等。
用于解决课题的手段
为了解决上述课题，本发明的图像比对装置是将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对的图像比对装置，其特征在于，在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对装置包括：比对分数计算部件，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算部件，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算部件，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对部件，基于上述合并分数来进行上述输入图像的比对。
为了解决上述课题，本发明的图像比对程序是将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对的图像比对程序，其特征在于，在上述注册图像数据库中，拍摄上述对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对程序用于使计算机执行包括以下步骤的处理：比对分数计算步骤，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
为了解决上述课题，本发明的图像比对方法是将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对的图像比对方法，其特征在于，在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对方法包括以下步骤：比对分数计算步骤，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
根据上述结构，通过除了输入图像与对象物之间的比对分数之外，还加入了表示在上述注册图像数据库中注册的多个对象物中一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的相对评价分数的合并分数，能够进行输入图像的比对。
这里，上述对象物是指，以人物以及车为首的可进行模式识别的物体等。另外，对象物也可以是某一对象物的一部分。例如为对象物的人物和作为该对象物的一部分的人物的面部的关系。
此外，拍摄了对象物的图像的特征量是，用于将拍摄了对象物的图像作为用于比对的比较对象的信息。
更具体而言，上述特征量既可以是拍摄了对象物的图像其本身、即像素值，也可以是从该图像中提取的、表示对象物的外观性特征的量。
此外，上述特征量既可以是从拍摄了对象物的、特定的一张图像中提取的量，也可以是从拍摄了对象物的多张图像中提取的量。
在上述构成中，将这样的特征量作为注册图像而注册在注册图像数据库中。
此外，比对分数是使用输入图像的特征量和注册图像的特征量而导出的分数。
此外，比对分数是表示在输入图像中拍摄的对象物与注册图像所表示的对象物的近似的程度的、所谓的近似度。因此，换句话说，比对分数是，只要决定成为分数计算对象的注册图像就能够在与输入图像之间唯一地算出的绝对性的评价分数。
此时，更具体而言，比对分数是通过比较在输入图像中拍摄的对象物的特征量与注册图像的特征量而获得的近似度。
即，上述比对分数可以说是以输入图像为中心，表示注册图像在多大程度上与输入图像近似。例如，在对象物为人物时，比对分数存在在如兄弟这样具有相似的容貌的同伴之间成为接近的分数的倾向。
相对于此，相对评价分数是从某一对象物的注册图像与其他的对象物的注册图像导出的相对性的分数。例如，相对评价分数是通过将某一对象物的注册图像以及输入图像之间的比对分数、与其他的对象物的注册图像以及输入图像之间的比对分数相互比较而导出的多个对象物的注册图像之间的相对性的分数。
即，根据相对评价分数，能够掌握某一对象物的注册图像相对于其他的对象物的注册图像在多大程度上与输入图像相似。
进而，算出合并了比对分数和相对评价分数的合并分数。例如能够通过规定的计算方法来算出该合并分数。具体而言，能够对比对分数以及相对评价分数任意进行加权而获得合并分数。
例如，合并分数也可以是比对分数以及相对评价分数的平均。此时，对于两者的加权均等。
此外，例如，合并分数也可以是比对分数以及相对评价分数的加权平均。
如以上所述，合并分数是，对表示输入图像和注册图像的近似度的指标、即比对分数组合了表示在多个对象物的注册图像之间一个对象物的注册图像相比其他的对象物的注册图像在多大程度上与输入图像相似的指标、即相对评价分数的分数。
由于使用这样的合并分数进行认证，所以能够提高对于只使用比对分数进行比对的情况下错误判断的、相似的对象物的识别率。
此外，上述图像比对方法也可以通过计算机实现，此时，通过使计算机执行包括上述各步骤的处理，从而使计算机实现图像比对方法的各步骤的图像比对程序以及记录了该程序的计算机可读取的记录介质也属于本发明的范畴。
发明效果
本发明的图像比对装置是如下结构：在注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，且上述图像比对装置包括：比对分数计算部件，使用输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算部件，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算部件，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对部件，基于上述合并分数来进行上述输入图像的比对。
此外，本发明的图像比对程序的特征在于，在注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对程序用于使计算机执行包括以下步骤的处理：比对分数计算步骤，使用输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
此外，本发明的图像比对方法的特征在于，在注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对方法包括以下步骤：比对分数计算步骤，使用输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
这样，由于使用合并分数来进行认证，所以能够提高对于只使用比对分数进行比对的情况下错误判断的、相似的对象物的识别率。
本发明的又一其他的目的、特征以及优点通过以下所示的记载会非常明白。此外，本发明的优点通过参照附图的以下的说明会变得清楚。
附图说明
图1是表示本发明的一实施方式的面部认证装置具有的面部认证处理部的概略结构的一例的功能方框图。
图2是表示本发明的一实施方式的包含面部认证装置的面部认证系统的结构例的方框图。
图3是表示本发明的一实施方式的注册人物信息的数据构造的例的图。
图4是表示通过特征空间中的距离计算来算出绝对评价分数的例的图。
图5是表示通过特征空间中的近似度计算来算出绝对评价分数的例的图。
图6是表示通过特征空间中的距离计算来算出相对评价分数的例的图。
图7是表示通过特征空间中的近似度计算来算出相对评价分数的例的图。
图8是表示通过特征空间中的距离计算来算出相对评价分数的其他例的图。
图9是表示通过特征空间中的近似度计算来算出相对评价分数的其他例的图。
图10是表示通过特征空间中的要类（clustering）分析来算出相对评价分数的例的图。
图11是例示了上述面部认证装置中的面部图像注册处理的流程的流程图。
图12是例示了上述面部认证装置中的面部图像认证处理的流程的流程图。
图13是表示在本实施方式的注册图像数据库中注册的注册人物信息的图。
图14是表示基于上述注册图像数据库的注册人物信息来算出绝对评价分数的情况的图。
图15是表示基于上述注册图像数据库的注册人物信息来算出相对评价分数的情况的图。
图16是表示本发明的其他的实施方式的包含面部认证装置的面部认证系统的结构例的方框图。
图17是表示上述面部认证装置具有的面部认证处理部的概略的结构的一例的功能方框图。
图18是例示了上述面部认证装置中的面部图像注册处理的流程的流程图。
图19是例示了上述面部认证装置中的面部图像认证处理的流程的流程图。
图20是表示基于本实施方式的注册图像数据库的注册人物信息来算出相对评价分数的情况的图。
图21是表示本发明的再其他的实施方式的包含面部认证装置的面部认证系统的结构例的方框图。
图22是表示上述面部认证装置具有的面部认证处理部的概略的结构的一例的功能方框图。
图23是例示了上述面部认证装置中的面部图像认证处理的流程的流程图。
图24是表示基于本实施方式的注册图像数据库的注册人物信息来算出绝对评价分数的情况的图。
图25是表示本发明的再其他的实施方式的包含面部认证装置的面部认证系统的结构例的方框图。
图26是表示上述面部认证装置具有的面部认证处理部的概略的结构的一例的功能方框图。
图27是例示了上述面部认证装置中的面部图像认证处理的流程的流程图。
具体实施方式
〔实施方式1〕
参照图1～图15说明本发明的一实施方式。首先，使用图2说明面部认证系统如下。如图2所示，面部认证系统（图像处理系统）100包括面部认证装置（图像比对装置）1以及图像输入装置5而构成。
面部认证装置1是对从图像输入装置5输入的图像进行认证的装置。在面部认证装置1中的认证处理中，包含“面部图像注册处理”以及“面部图像认证处理”的两个阶段。首先，在第1阶段的“面部图像注册处理”中，在面部认证装置1中注册用于认证的图像。然后，在第2阶段的“面部图像认证处理”中，将被输入的图像与所注册的图像进行比对而进行认证。
另外，以下，“认证”的用语，例示性地意味着比对在被输入的图像中拍摄的人物的面部是否与在所注册的任一个图像中拍摄的人物的面部一致，由此来确定人物的处理。
图像输入装置5是将拍摄了人物的面部的拍摄图像输入到面部认证装置1的装置。图像输入装置5例如能够通过拍摄作为被摄体的人物的面部而生成图像的数字摄像机等实现。
另外，以下，设为在拍摄图像中拍摄了人物的面部，但拍摄的被摄体并不限定于人物的面部。即，成为对象的被摄体可任意地选择。此外，以下，根据必要，在“面部图像注册处理”中，将为了注册而输入到面部认证装置1的拍摄图像称为“注册对象图像A2”。此外，在“面部图像认证处理”中，将为了作为认证的对象而输入到面部认证装置1的拍摄图像称为“输入图像A1”。此外，在不需要特别区分“输入图像A1”和“注册对象图像A2”的情况下，简称为“拍摄图像”。
此外，在面部认证系统100中，面部认证装置1和图像输入装置5既可以配设在同一个框体中，也可以作为不同的框体而构成。此外，面部认证装置1和图像输入装置5之间的连接方式并没有特别限制，例如，既可以是有线方式，也可以是无线方式。
（面部认证装置）
使用图2说明面部认证装置1的各种结构如下。如图2所示，面部认证装置1是包括操作部11、显示部12、存储部20以及控制部30的结构。
操作部11是从用户接受各种输入的部分，例如，能够由输入用按钮、键盘、数字键、鼠标等的指示设备、触摸面板、其他的输入设备实现。操作部11根据接受到的用户的操作而生成操作数据，并将生成的操作数据发送到控制部30。
显示部12是对用户进行用于进行信息提供的画面显示的部分。显示部12基于从控制部30接收到的画面数据，在显示画面中显示文字或图像等的各种信息。显示部12例如能够由LCD（液晶显示器）、PDP（等离子显示面板）、EL（电致发光）显示器等的显示装置实现。
存储部20是存储各种数据以及程序的部分。存储部20例如能够将ROM（只读存储器）、RAM（随机存取存储器）以及非易失性存储器（例如闪速存储器）等的存储装置进行组合而实现。另外，关于在存储部20中存储的各种数据的细节将在后面叙述。
控制部30是统一控制面部认证装置1中的各种功能的部分。控制部30的控制功能通过由CPU（中央处理单元）等的处理装置执行控制程序而实现。例如，控制部30具有执行认证处理的功能。另外，关于用于由控制部30执行认证处理的结构将在后面叙述。
（关于存储部的细节）
接着，使用图2以及图3说明存储部20的细节。如图2所示，存储部20是包括注册图像数据库21的结构。
注册图像数据库21将用于认证的图像按每个人物进行注册。关于注册图像数据库21的注册内容，若进一步具体例示则如下。
首先，如图2所示，在注册图像数据库21中注册有多个注册人物信息P。
这里，使用图3说明注册人物信息P的细节如下。图2是表示注册人物信息P的数据结构的例的图。
如图3所例示，在注册人物信息P中，附上注册人物的姓名（ID）而成为可识别。此外，在注册人物信息P中，注册有一个或者多个注册图像R。另外，以下，例示性地设为注册有多个注册图像R而进行说明。
注册图像R是包括用于认证的图像以及其关联信息的图像，具体而言，是包括识别信息、拍摄图像以及面部特征数据的数据结构。
识别信息存储有用于识别注册图像R的信息。对识别信息能够使用任意的信息。例如，作为识别信息，能够采用注册图像R的文件名。
在拍摄图像中存储有在“面部图像注册处理”中输入的注册对象图像A2。另外，在拍摄图像中，既可以注册注册对象图像A2其本身，也可以存储注册对象图像A2的缩略图等。此外，在拍摄图像中，也可以存储加工了注册对象图像A2的图像、例如，施加了滤波器处理等的图像处理的图像。
此外，拍摄图像也可以从注册人物信息P的数据构造中省略。即，在注册图像R中只要包含能够导出以下说明的“面部特征数据”的信息和识别信息即可。只要有面部特征数据和识别信息，就能够进行输入图像的面部认证，由此，能够确定输入图像是谁。
在面部特征数据中，存储有表示在拍摄图像中包含的人物的面部的特征的特征量。特征量是对在拍摄图像中包含的人物的面部中认为面部整体或、眼、鼻、口的部位进行了定量化的量。作为特征量的例，可举出亮度信息、频率特性信息以及将上述各部位的形状、位置、大小等进行了数值化的信息。
另外，注册图像R也可以是将表示对拍摄了拍摄图像时的人物的面部的状态或、环境、拍摄条件进行了分析的结果的各种信息作为项目而包含的数据结构。
例如，注册图像R也可以包含“面部的朝向”、“面部的表情”、“笑脸度”、“照明条件”以及“射光度”等项目。除此之外，作为项目，可以采用“年龄”、“性别”、“眼睛的睁法”等。
（关于控制部的细节）
接着，使用图2说明控制部30的细节。如图2所示，控制部30包括图像取得部31、面部特征数据提取部32、面部认证处理部33以及认证结果输出部（图像比对部件）34。
控制部30具有的各部分实现在面部认证装置1中的认证处理中包含的“面部图像注册处理”和“面部图像认证处理”。
“面部图像注册处理”通过图像取得部31以及面部特征数据提取部32实现。
“面部图像认证处理”通过图像取得部31、面部特征数据提取部32、面部认证处理部33以及认证结果输出部34实现。
另外，在图2中，连接各部分的虚线箭头表示“面部图像注册处理”中的数据/控制等的流程，连接各部分的实线箭头表示“面部图像认证处理”中的数据/控制等的流程。
以下，单独说明控制部30具备的各部分如下。
图像取得部31是根据操作部11中的输入操作，从图像输入装置5取得注册对象图像A2的部分。图像取得部31将取得的注册对象图像A2转发到面部特征数据提取部32。
图像取得部31在“面部图像注册处理”中取得在操作部11中输入的姓名（ID），将注册对象图像A2作为与取得的姓名（ID）有关的注册人物信息P的注册图像R而注册到注册图像数据库21中，并转发到面部特征数据提取部32。
另外，图像取得部31对成为注册对象的注册图像R分配识别信息而注册到注册图像数据库21中。图像取得部31也可以自动生成识别信息而分配给注册图像R，也可以取得在操作部11中输入的识别信息而分配给注册图像R。
此外，当在注册对象图像A2中拍摄的人物已经在注册图像数据库21中注册的情况下，也可以基于在注册图像数据库21中注册的注册图像进行认证处理并自动地确定注册人物。
此外，图像取得部31在“面部图像认证处理”中将输入图像A1转发到面部特征数据提取部32。
面部特征数据提取部32通过分析在拍摄图像中包含的人物的面部，提取作为面部的各部位的特征量的面部特征数据。面部特征数据提取部32在“面部图像注册处理”中，将从注册对象图像A2提取的面部特征数据存储在注册对象的注册图像R的面部特征数据中。
此外，面部特征数据提取部32在“面部图像认证处理”中，将输入图像A1的面部特征数据转发到面部认证处理部33。
面部认证处理部33通过进行输入图像与注册图像的匹配以及注册图像之间的评价，算出表示两者的近似的程度的合并分数。关于面部认证处理部33的细节将在后面叙述。
认证结果输出部34基于面部认证处理部33算出的合并分数来进行输入图像A1的认证，并将该认证结果输出到显示部12。认证结果输出部34也可以作为认证结果，输出所确定的人物的姓名，也可以与此同时输出代表性的拍摄图像。
（面部认证处理部）
接着，使用图1说明面部认证处理部33的细节。图1是表示面部认证处理部33的概略的结构的一例的功能方框图。
如图1所示，面部认证处理部33包括绝对评价部（比对分数计算部件）331、关注注册图像选择部（相对评价分数计算部件）332、其他注册图像选择部（相对评价分数计算部件）333、相对评价部（相对评价分数计算部件）334以及评价合并部（合并分数计算部件）335。
绝对评价部331通过在输入图像与注册图像之间进行匹配，从而算出表示输入图像与注册图像的近似性的程度的比对分数。以下，将绝对评价部331算出的比对分数称为“绝对评价分数”。另外，在比对分数的计算中能够采用任意的方法。
作为比对分数的计算方法，例如可举出（1）线性／非线性投影方法（Linear/nonlinear projection methods）、（2）神经网络（Neural network）、（3）贾伯滤波器以及小波变换（Gabor filters and wavelets）、（4）提升(Boosting)等的方法。
（1）作为线性／非线性投影方法，更具体而言，可举出PCA(主分量分析)、LDA(线性判别分析)、使用了核心（kernel）法的PCA（KPCA）、LDA（KLDA）等。另外，在PCA(主分量分析)中，有使用固有面部的方法或部分空间法等。此外，也可以采用将PCA和LDA进行组合的方法。
此外，（3）作为贾伯滤波器以及小波变换，已知EBGM(Elastic bunch graph matching method，弹性束图匹配方法)或、HMM(Hidden Markov Model，隐马尔可夫模型)等。
此外，（4）作为提升(Boosting)，已知AdaBoost、LogitBoost、以及多级（class）的提升等。
除此之外，作为比对分数的计算方法，也还可以采用K-NN法(k-nearest neighbor，K最近邻)等的方法。
具体而言，绝对评价部331通过进行从面部特征数据提取部32提供的输入图像的面部特征数据A11与在注册人物信息P的注册图像R中包含的面部特征数据的匹配，算出绝对评价分数。此外，绝对评价部331将算出的绝对评价分数提供给评价合并部335。
关注注册图像选择部332从在注册图像数据库21中注册的注册图像中，选择相对评价部334作为分数的评价的基准的注册图像、即关注注册图像。
其他注册图像选择部333从在注册图像数据库21中注册的注册图像中，将与关注注册图像的注册人物不同的注册人物的注册图像、即选择注册图像作为关注注册图像的比较对象而选择。
相对评价部334以关注注册图像为基准，进行与选择注册图像之间的比较，从而评价关注注册图像与选择注册图像之间的相对的关系性。
然后，相对评价部334算出用于表示关注注册图像相比各选择注册图像在多大程度上与输入图像相似的相对评价分数。该相对评价分数例如能够通过对关注注册图像以及选择注册图像进行距离计算或类似度计算，并计算算出的距离或类似度之比而获得。此外，相对评价分数例如能够通过计算离在关注注册图像和选择注册图像之间构成的识别空间的距离而获得。关于它们的细节将在后面详细说明。
此外，相对评价部334将算出的相对评价分数提供给评价合并部335。
评价合并部335算出将绝对评价部331算出的绝对评价分数和相对评价部334算出的相对评价分数进行了合并的合并分数。
评价合并部335例如通过对绝对评价分数和相对评价分数进行加权平均而算出合并分数。
此外，评价合并部335也可以在合并分数的计算中，选择绝对评价分数和相对评价分数中的任一个。即，评价合并部335在加权平均的计算中，也可以将绝对评价分数以及相对评价分数中的任一个的加权设为“0”。
此外，评价合并部335也可以在合并分数的计算中，算出绝对评价分数和相对评价分数的平均。此时，由于能够将在数据中有偏差时的数据的偏移平均掉，所以能够实现认证精度的提高。
（关于绝对评价分数）
接着，使用图4以及图5说明绝对评价部331中的绝对评价分数的具体的计算方法如下。图4以及图5表示由在面部特征数据中包含的特征量的集合而定义的特征空间。
图4以及图5所示的特征空间AP是由关于注册人物信息P的特征量Ｙ定义的空间。
即，在以下所示的例中，在注册人物信息P的各注册图像R中包含的面部特征数据对应于特征量Ｙ。图4以及图5所示的符号X是成为比对的对象的特征量（以下，称为比对特征量X）。
此时，绝对评价分数例如能够通过以下所示的距离计算或者类似度计算来算出。
首先，使用图4说明距离计算的例。在图4所示的距离计算中，通过欧几里得距离或马哈拉诺比斯距离等的距离计算来算出比对特征量X与特征空间AP中的特征量Ｙ之间的距离D，并将该距离D设为绝对评价分数。
接着，使用图5说明类似度计算的例。在图5所示的类似度计算中，求出归一化相关。即，基于Ｙ-O-X构成的角度θ，算出类似度D’＝cosθ，并将算出的类似度D’设为绝对评价分数。
输入图像与注册图像的近似的程度通过这样算出的绝对评价分数来规定。即，能够通过比较绝对评价分数的大小来判定某一注册图像与其他的注册图像在多大程度上与输入图像近似。
如以上所述，在绝对评价分数的计算方法中举出了若干个候选，但以下，主要将上述类似度定义为近似的程度、即近似度来进行说明。
（关于相对评价分数）
说明相对评价部334中的相对评价分数的具体的计算方法如下。
通过在以下的方法1～3中算出的相对评价分数来规定关注注册图像相比各选择注册图像在多大程度上与输入图像相似。与绝对评价分数相同地，通过比较相对评价分数的大小，能够判定近似的程度。
［方法1］使用图6以及图7进一步说明相对评价部334中的相对评价分数的具体的计算方法的一例如下。图6以及图7表示由在面部特征数据中包含的特征量的集合而定义的特征空间。
图6以及图7所示的特征空间AP1是由关于注册人物信息P1的特征量Ｙ1定义的空间，特征空间AP2是由关于注册人物信息P2的特征量Ｙ2定义的空间。
由于图6以及图7所示的比对特征量X与使用图4以及图5表示的比对特征量X相同，所以在这里省略说明。
此外，相对评价分数能够通过距离计算或者类似度计算来算出。在该距离计算中，与绝对评价分数的情况相同地，计算欧几里得距离或马哈拉诺比斯距离等。此外，在类似度计算中，与绝对评价分数的情况相同地，求出归一化相关。
这样，在相对评价分数的计算中进行距离计算或者类似度计算的方面与绝对评价分数的情况相同。
在以下所示的方法1中，距离计算中的距离的取法或类似度计算中的角度的取法与以上所示的绝对评价分数的取法不同。
首先，使用图6说明距离计算的例。在图6所示的距离计算中，首先，求出某一注册人物信息P1与其他的注册人物信息P2的特征量的识别成为较好的投影空间AX。
例如，投影空间AX是以在特征空间中能够识别关注注册图像的人物（A先生）与选择注册图像的人物（B先生）的方式求出的空间。在图6以及图7中，为了图示，将投影空间AX作为连接特征量Ｙ1以及特征量Ｙ2的直线来表示，但实际上投影空间AX是任意维的空间。
另外，若是一维则投影空间成为直线，若是二维则投影空间成为平面。即，一维的投影空间成为投影直线，二维的投影空间成为投影平面。
更详细而言，投影空间AX例如可以是连接特征空间AP1的特征量Ｙ1和特征空间AP2的特征量Ｙ2的直线。此外，投影空间AX也可以通过线性或者非线性判别分析而求出。
然后，求出将比对对象特征量X对投影空间AX投影的投影点Ｚ。在图6以及图7中，虚线箭头PRJ表示比对对象特征量X对于投影空间AX的投影。此外，算出图6所示的特征量Ｙ1与投影点Ｚ之间的距离D1以及特征量Ｙ2与投影点Ｚ之间的距离D2。
这里，也可以将距离D1的值本身作为关于注册人物信息P1、即特征量Ｙ1的相对评价分数。
此外，并不限定于此，相对评价分数例如也可以根据算出的D1以及D2而如下求出。即，求出D1／D2或、D1／（D1＋D2）这样的比作为相对评价分数。此外，也可以将这样求出的比的对数、指数作为相对评价分数。
此外，作为相对评价分数，关于其他的注册人物信息，也可以同样地通过上述的方法来算出相对评价分数，最终将算出的相对评价分数进行合计，并取所合计的相对评价分数的平均。
接着，使用图7说明类似度计算的例。在图7所示的类似度计算中，通过如下步骤算出相对评价分数。
首先，关于求出将比对对象特征量X对投影空间AX投影的投影点Ｚ的问题，与表示图6的情况相同。
在类似度计算中，进一步，求出Ｙ1-O-Ｚ构成的角θ1和Ｙ2-O-Ｚ构成的角θ2。然后，算出类似度D’1＝cosθ1以及类似度D’2＝cosθ2。
这里，也可以与距离计算的情况相同地，将距离D1’的值本身作为关于注册人物信息P1、即特征量Ｙ1的相对评价分数。此外，也可以与距离计算的情况相同地，将类似度D’1以及D’2之比或它的对数等作为相对评价分数。此外，也可以与距离计算的情况相同地，采取通过如上所述的合计而求出的相对评价分数的平均。
［方法2］使用图8以及图9进一步说明相对评价部334中的相对评价分数的具体的计算方法的其他例如下。在方法2中，通过对两个特征空间进行图4以及图5所示的绝对评价分数的计算，算出两个特征空间之间的相对评价分数。例如，能够通过如下所示的距离计算或者类似度计算来算出。
首先，使用图8说明距离计算的例。图8所示的距离D1以及D2能够通过将图4所示的距离计算分别对特征量Ｙ1以及Ｙ2应用而算出。
并且，在图8所示的距离计算中，基于上述的距离D1以及D2，求出D1／D2或D1／（D1＋D2）这样的比，设为相对评价分数。此外，并不限定于此，作为相对评价分数计算的变形例，举出如下的例子。即，也可以将这样求出的比的对数、指数作为相对评价分数。此外，也可以作为相对评价分数，关于其他的注册人物信息也同样地，通过上述的方法来算出相对评价分数，最终合计算出的相对评价分数，取所合计的相对评价分数的平均。
接着，使用图9说明类似度计算的例。图9所示的类似度D1’以及D2’能够通过将图5所示的类似度计算分别应用于特征量Ｙ1以及Ｙ2而算出。
即，在图9所示的类似度计算中，求出Ｙ1-O-X构成的角θ1和Ｙ2-O-X构成的角θ2。然后，算出类似度D’1＝cosθ1以及类似度D’2＝cosθ2。然后，基于上述的类似度D’1以及D’2，求出在方法1中说明的比作为相对评价分数。
另外，并不限定于此，也可以如在方法1中所说明，将求出的比的对数等作为相对评价分数。
［方法3］利用图10说明相对评价部334中的相对评价分数的具体的计算方法的再其他例如下。
如上所述，相对评价分数是表示关注注册图像相对选择注册图像在多大程度上与输入图像接近的分数。
因此，如图10所例示，也可以通过对选择注册图像和关注注册图像进行要类分析，判定输入图像在多大程度上与哪个等级（class）接近，从而算出相对评价分数。图10表示求出了通过要类分析而划分特征空间AP1和特征空间AP2的识别边界B的例。具体而言，如下所述。
首先，例如通过使用K-means法、Boosting(提升)、以及SVM(支持向量机)等的方法来进行特征量的要类，求出通过识别边界B而识别的识别空间。另外，识别边界是任意维的空间，若是一维则成为直线，若是二维则成为平面。此外，识别边界也可以是非线性的。
然后，基于识别空间来算出被输入的数据（特征量X）与特征量Ｙ1的类似度。该类似度例如能够通过求出特征量X离识别边界B的距离D1而获得。
同样地，对特征量Ｙ2或其他的特征量Ｙj也制作识别空间，求出特征量Ｙj的类似度，并对最终将求出的类似度进行合计并取平均的量作为相对评价分数来算出。
［其他］相对评价分数也可以是使用了由绝对评价部331对各注册图像R算出的绝对评价分数的比。
如以上所述，在相对评价分数的计算方法中举出了若干个候选，但以下，与绝对评价分数的情况相同地，主要将上述类似度作为近似的程度、即近似度的定义来进行说明。
（面部图像注册处理的流程）
接着，使用图11说明将拍摄了某一人物的面部的拍摄图像作为注册对象图像而注册的面部图像注册处理的流程的一例。图11是例示了面部认证装置1中的面部图像注册处理的流程的流程图。
如图11所示，在面部图像注册处理中，首先，面部认证装置1的图像取得部31从图像输入装置5取得注册对象图像A2（S10）。
接着，面部特征数据提取部32分析注册对象图像A2，提取在注册对象图像A2中包含的与人物的面部有关的面部特征数据。面部特征数据提取部32将提取出的面部特征数据存储在注册图像R中（S11）。
这里，面部认证装置1将在“拍摄图像”中存储注册对象图像A2并在“面部特征数据”中存储了所提取的面部特征数据的注册图像R注册到注册图像数据库21中。另外，图像取得部31例示性地将注册人物信息P的姓名（ID）从操作部11中的输入取得。此外，图像取得部31自动生成注册图像的识别信息。以上，面部图像注册处理结束。
（面部图像认证处理的流程）
接着，使用图12说明将拍摄了某一人物的面部的拍摄图像作为输入图像而认证的面部图像认证处理的流程。图12是例示了面部认证装置1中的面部图像认证处理的流程的流程图。
如图12所示，在面部图像认证处理中，若图像取得部31取得从图像输入装置5输入的输入图像A1（S20），则将输入图像A1转发到面部特征数据提取部32。
接着，面部特征数据提取部32分析输入图像A1，从输入图像A1中提取面部特征数据（S21）。
接着，绝对评价部331在输入图像与各注册图像之间进行匹配，算出绝对评价分数（S22）。
接着，关注注册图像选择部332从在注册图像数据库21中注册的注册图像中将一个注册图像作为关注注册图像而选择，其他注册图像选择部333将与关注注册图像的注册人物不同的注册人物的注册图像作为选择注册图像而选择，且相对评价部334在关注注册图像与选择注册图像之间算出相对评价分数（S23）。
并且，关于在注册图像数据库21中注册的剩余的注册人物的注册图像，执行上述的相对评价分数的计算（S24）。若对与关注注册图像的注册人物不同的全部注册人物的注册图像算出相对评价分数（S24中“是”），则评价合并部335将绝对评价分数和相对评价分数进行合并（S25）。
然后，认证结果输出部34基于从评价合并部335输出的合并分数，进行输入图像A1的认证，输出认证结果（S26）。通过以上方法，面部图像认证处理结束。
（实施例）
以下，进一步使用图13～图15说明使用图12说明的面部图像认证处理的流程的具体的实施例。
在以下说明的实施例中，如图13所示，设为在注册图像数据库21中，注册有注册人物信息P1（A先生）、P2（B先生）、P3（C先生）以及P4（D先生）。此外，在注册人物信息P1～P4中，分别注册有三个注册图像（注册图像R11～R13、R21～R23、R31～R33、R41～R43）。
若输入输入图像A1且提取输入图像A1的面部特征数据（S20、S21），则绝对评价部331在输入图像与各注册图像之间进行匹配，算出绝对评价分数（S22）。
使用图14，更具体说明绝对评价部331进行的匹配处理如下。
如图14所示，绝对评价部331将关于注册人物信息P1～P4注册的注册图像分别与输入图像A1进行匹配，算出绝对评价分数。
在图14中，将在绝对评价部331进行的匹配处理中成为比较的对象的注册图像与输入图像A1之间用箭头连接而表示。此外，在图14中，表示为算出的绝对评价分数越高的注册图像，位于越接近输入图像A1的位置。即，箭头的长度表示绝对评价分数。此外，将绝对评价部331算出的绝对评价分数附在箭头的旁边。
此外，设为绝对评价分数例示性地取“0”～“1000”之间的值。并且，作为一例，拍摄了接近输入图像A1的人物的注册图像被算出更高值的绝对评价分数。
即，在绝对评价分数为“0”的情况下，表示注册图像的人物与输入图像的人物基本不相似。此外，在绝对评价分数为“1000”的情况下，表示注册图像的人物与输入图像的人物非常相似。
说明关于注册人物信息P1～P4的各注册图像算出的绝对评价分数如下。
注册人物信息P1（A先生）的注册图像R11、R12以及R13的绝对评价分数ABS11、ABS12以及ABS13分别为“900”、“750”以及“800”。
注册人物信息P2（B先生）的注册图像R21、R22以及R23的绝对评价分数ABS21、ABS22以及ABS23分别为“720”、“760”以及“710”。
注册人物信息P3（C先生）的注册图像R31、R32以及R33的绝对评价分数ABS31、ABS32以及ABS33分别为“400”、“380”以及“360”。
注册人物信息P4（D先生）的注册图像R41、R42以及R43的绝对评价分数ABS41、ABS42以及ABS43分别为“150”、“50”以及“100”。
这样，“A先生”的绝对评价分数处于“900”～“750”的范围，“B先生”的绝对评价分数处于“760”～“710”的范围。
“A先生”以及“B先生”的绝对评价分数比较高，与输入图像A1的人物相似。
“A先生”和“B先生”的绝对评价分数的范围一部分重复，且被算出了接近的绝对评价分数。因此，可以说“A先生”和“B先生”是相互相似的人物（例如，兄弟）。
相对于此，关于“C先生”、“D先生”，与“A先生”以及“B先生”相比算出低的绝对评价分数，其值的范围为“400”～“50”。因此，可以说“C先生”、“D先生”与输入图像的人物不相似，此外，与“A先生”以及“B先生”也不怎么相似。
若这样算出绝对评价分数，则接着，相对评价部334在关注注册图像与选择注册图像之间算出相对评价分数（S23）。
使用图15说明相对评价部334中的相对评价分数的计算如下。
在图15所示的例中，关注注册图像选择部332将“A先生”的注册图像R12作为关注注册图像而选择。关注注册图像选择部332作为一例，按照注册人物信息P1～P4的注册图像的注册顺序选择关注注册图像。
在图15所示的例中，设为按照注册图像R12、R11以及R13的顺序进行注册。因此，由关注注册图像选择部332选择最早注册的注册图像R12。
另外，并不限定于此，关注注册图像选择部332作为关注注册图像而选择的注册图像，也可以是例如在注册人物信息P1～P4的注册图像中绝对评价分数最高的注册图像。此时，若使用图15说明，则由关注注册图像选择部332选择图14所示的绝对评价分数在注册人物信息P1～P4中最高的注册图像R11。
此外，关注注册图像选择部332选择关注注册图像的注册图像也可以将注册了绝对评价分数最高的注册图像的注册人物信息为基准。例如，也可以是在注册了绝对评价分数最高的注册图像的注册人物信息中、绝对评价分数最高的注册图像，相反，也可以是绝对评价分数最低的注册图像。此外，例如，也可以是在注册了绝对评价分数最高的注册图像的注册人物信息中、算出的绝对评价分数表示中间值的注册图像。
在同图中，在注册图像R12的下方附上的两个圈表示注册图像R12为关注注册图像。
此外，在图10所示的例中，其他注册图像选择部333将“A先生”以外的人物的注册图像、即“B先生”、“C先生”、以及“D先生”各自的注册图像作为选择注册图像而选择。在同图中，在“B先生”、“C先生”、以及“D先生”各自的注册图像的下方附上的一个圈表示注册图像为选择注册图像。
相对评价部334以作为关注注册图像的注册图像R12为基准，进行与作为选择注册图像的“B先生”的注册图像R21～R23、“C先生”的注册图像R31～R33以及“D先生”的注册图像R41～R43的比较。
然后，相对评价部334基于各自的比较，算出相对评价分数。即，通过与“B先生”的注册图像R21～R23的比较，分别算出相对评价分数REL21～REL23。此外，通过与“C先生”的注册图像R31～R33的比较，分别算出相对评价分数REL31～REL33。然后，通过与“D先生”的注册图像R41～R43的比较，分别算出相对评价分数REL41～REL43。
这里，相对评价分数的计算方法如已使用图6以及图7进行说明所示。另外，在注册人物信息Pn的各注册图像Rn中包含的面部特征数据与图6以及图7所示的特征量Ｙn相对应。
另外，如以上那样算出的绝对评价分数以及相对评价分数也可以根据计算方法来调整值的范围。即，在由于计算方法的差异导致而绝对评价分数以及相对评价分数的值的范围不同的情况下，将两者调整为可进行比较。
例如，在绝对评价分数的值的范围为0～1000且相对评价分数的值的范围为0～1的情况下，对相对评价分数乘以系数1000来调整值的范围。
以下，关于“C先生”、“D先生”，也如对“B先生”所示那样算出相对评价分数（S24）。此外，也可以一边变更关注注册图像一边算出相对评价分数。
若算出全部相对评价分数，则评价合并部335合并绝对评价分数和相对评价分数（S25）。评价合并部335例如根据如下式（1），算出对于各个注册图像的合并分数（T）。
T＝w×ABS＋（1-w）REL···（1）
※其中，ABS：绝对评价分数、REL：相对评价分数、w：权重（0≤w≤1）
另外，即使是在相对评价分数的范围与绝对评价分数的范围不一致，也可以通过w来调整两者的范围的差分。
然后，认证结果输出部34基于从评价合并部335输出的合并分数（T），进行输入图像A1的认证，输出认证结果（S26）。
（作用/效果）
如以上所述，面部认证装置1是如下结构：在将拍摄了人物的面部的输入图像A1与注册了包含面部特征数据的注册图像R的注册图像数据库21进行比对的面部认证装置1中，包括：绝对评价部331，算出上述输入图像A1的面部特征数据A11与在注册图像数据库21中注册的注册人物信息P的注册图像R中包含的面部特征数据之间的绝对评价分数；相对评价部334，算出表示在上述注册图像数据库21中注册的一个注册人物信息P的人物相对其他的注册人物信息P的人物，在多大程度上与输入图像A1的人物近似的分数、即相对评价分数；评价合并部，算出将绝对评价分数和相对评价分数进行加权合并的合并分数；以及认证结果输出部34，基于合并分数来进行上述输入图像A1的比对。
因此，由于这样使用合并分数进行认证，所以能够提高对于在只使用绝对评价分数进行比对的情况下错误判断的、相似的人物之间（例如，A先生和B先生）的识别率。
此外，如以上所述，在面部认证装置1中，绝对评价部331在输入图像A1与具有从拍摄人物（A先生等）而获得的一个图像中提取的面部特征数据的注册图像（例如，注册图像R11）之间算出绝对评价分数，相对评价部334使用具有从拍摄人物而获得的一个图像中提取的面部特征数据的注册图像，算出上述相对评价分数。
并且，在注册图像数据库21中，只注册有具有从拍摄人物而获得的一个图像中提取的面部特征数据的注册图像。因此，即使不加工注册图像R，也能够使用已经注册的注册图像R而立即算出各分数而进行比对。
（变形例）
相对评价部334也可以将具有规定的阈值以上的绝对评价分数的注册图像作为处理对象。例如，能够将阈值设为“500”。
例如，对图14所示的“C先生”以及“D先生”算出的绝对评价分数ABS31～ABS33以及ABS41～ABS43为500以下。因此，在图15中，“C先生”以及“D先生”能够设为相对评价分数计算的对象外。
如上所述，在图14中，由于“C先生”以及“D先生”比“A先生”以及“B先生”算出更低的绝对评价分数，所以可以说错误认证的可能性低。
因此，根据本变形例，能够省略针对这样错误认证的可能性低的“C先生”以及“D先生”的处理，由此能够实现处理的简略化、高速化。
〔实施方式2〕
若基于图16～图20说明本发明的其他的实施方式如下。另外，为了便于说明，关于与在上述的实施方式中说明的附图具有相同的功能的部件赋予相同的标号，省略其说明。
在本实施方式的面部认证装置中，按每个注册人物信息P计算代表性的面部图像，并基于计算出的代表性的面部图像来算出相对评价分数。以下，主要聚焦相对评价分数的计算方法进行说明。
首先，使用图16说明面部认证装置（图像比对装置）1A的结构。图16所示的面部认证装置1A与至今说明的面部认证装置1相比，具有以下的不同点。
即，面部认证装置1A在面部认证装置1的控制部30中，将面部认证处理部33变更为面部认证处理部33A且追加注册图像代表数据计算部35，且进一步在存储部20中，追加了代表数据注册信息存储部（注册图像数据库）22。以下，说明这些不同点。
在代表数据注册信息存储部22中，存储有从在注册人物信息P中注册的注册图像计算出的代表性的面部图像的注册信息、即代表数据注册信息（代表图像）AVG。如图16所示，代表数据注册信息AVG是包括姓名（ID）以及注册图像代表数据的数据结构。
姓名（ID）是用于识别代表数据注册信息的信息，存储有对应的注册人物信息P的姓名（ID）。
在注册图像代表数据中，存储有从在注册人物信息P中注册的注册图像计算出的代表性的面部图像。以下，作为一例，设为注册图像代表数据从注册对象图像A2的面部特征数据算出。另外，并不限定于此，注册图像代表数据也可以从注册对象图像A2的像素数据算出。
注册图像代表数据计算部35在“面部图像注册处理”中使用从注册对象图像A2提取出的面部特征数据而算出注册图像代表数据。
注册图像代表数据计算部35例示性地将注册图像R的面部特征数据以及注册对象图像A2的面部特征数据的平均值作为注册图像代表数据而算出。但是，并不限定于此，注册图像代表数据计算部35也可以将注册图像R的面部特征数据以及注册对象图像A2的面部特征数据的绝对评价分数中的最大值或者最小值作为注册图像代表数据而算出。
此外，除此之外，注册图像代表数据计算部35例如也可以将注册图像R的面部特征数据以及注册对象图像A2的面部特征数据的中间值作为注册图像代表数据而算出。
注册图像代表数据计算部35将在操作部11中输入的人物的姓名（ID）和注册图像代表数据相关联而作为代表数据注册信息AVG而注册到代表数据注册信息存储部22中。
面部认证处理部33A与面部认证处理部33的共同点在于，通过进行输入图像与注册图像的匹配以及注册图像之间的评价而算出表示两者的近似的程度的合并分数。另一方面，面部认证处理部33A与面部认证处理部33的不同点在于，在计算合并分数时，除了注册图像数据库21之外，还参照代表数据注册信息存储部22。关于面部认证处理部33A的结构，以下进行说明。
（面部认证处理部）
使用图17说明面部认证处理部33A的结构。图17是表示面部认证处理部33A的概略的结构的一例的功能方框图。
如图17所示，面部认证处理部33A是在面部认证处理部33中将关注注册图像选择部332、其他注册图像选择部333以及相对评价部334分别变更为关注代表数据选择部（相对评价分数计算部件）332A、其他代表数据选择部（相对评价分数计算部件）333A以及相对评价部（相对评价分数计算部件）334A的部分。
关注代表数据选择部332A从在代表数据注册信息存储部22中注册的注册图像代表数据中选择相对评价部334A作为分数的评价的基准的注册图像代表数据、即关注代表数据。另外，关注代表数据选择部332A能够应用与关注注册图像选择部332相同的选择方法。
其他代表数据选择部333A从在代表数据注册信息存储部22中注册的注册图像代表数据中选择成为与关注代表数据的比较的对象的注册图像代表数据、即选择代表数据。另外，其他代表数据选择部333A能够应用与其他注册图像选择部333相同的选择方法。
相对评价部334A通过以关注代表数据为基准进行与选择代表数据的比较，评价关注代表数据与选择代表数据的相对的关系性。然后，相对评价部334A算出表示关注代表数据所表示的人物相比选择代表数据所表示的人物在多大程度上与在输入图像中拍摄的人物相似的相对评价分数。除此之外的方面与相对评价部334相同。
例如，相对评价部334A能够使用与相对评价部334相同的相对评价分数的计算方法。即，相对评价部334A通过使用图6以及图7表示的方法，能够算出相对评价分数。另外，此时，代表数据注册信息AVG的注册图像代表数据对应于图6以及图7中的特征量Ｙn。
（面部图像注册处理的流程）
接着，使用图18说明将拍摄了某一人物的面部的拍摄图像作为注册对象图像而注册的面部图像注册处理的流程的其他例。图18是例示了面部认证装置1A中的面部图像注册处理的流程的流程图。
由于步骤S10以及S11如已使用图11所说明那样，所以省略其说明。在接着步骤S11的步骤S12中，注册图像代表数据计算部35使用注册图像R的面部特征数据以及从注册对象图像A2提取出的面部特征数据，算出注册图像代表数据。通过以上方法，面部图像注册处理结束。
（面部图像认证处理的流程）
接着，使用图19说明将拍摄了某一人物的面部的拍摄图像作为输入图像来进行认证的面部图像认证处理的流程的其他例。图19是例示了面部认证装置1A中的面部图像认证处理的流程的流程图。此外，图19所示的流程图是将图12所示的流程图的步骤S23变更为步骤S23A的图。
由于步骤S20～S22如已使用图12所说明那样，所以省略其说明。
接着，关注代表数据选择部332A从在代表数据注册信息存储部22中注册着的注册图像代表数据中将一个注册人物的注册图像代表数据作为关注代表数据而选择，其他代表数据选择部333A将与关注代表数据的注册人物不同的代表人物的注册图像代表数据作为选择代表数据而选择，且相对评价部334A在关注代表数据与选择代表数据之间算出相对评价分数（S23A）。
此外，该相对评价分数的计算针对剩余的注册人物的注册图像代表数据执行（S24）。若对与关注代表数据的注册人物不同的、全部注册人物的注册图像代表数据算出相对评价分数（S24中“是”），则评价合并部335合并绝对评价分数和相对评价分数（S25）。
然后，认证结果输出部34基于从评价合并部335输出的合并分数，进行输入图像A1的认证并输出认证结果（S26）。通过以上方法，面部图像认证处理结束。
（实施例）
以下，使用图20说明已使用图19说明的面部图像认证处理的流程的具体的实施例。
在以下所示的实施例中，设为在注册图像数据库21中，如图20所示，注册有注册人物信息P1（A先生）、P2（B先生）、P3（C先生）以及P4（D先生）。这些注册人物信息P1～P4与图13所示的信息相同。
此外，在代表数据注册信息存储部22中，如图20所示，针对注册人物信息P1～P4分别注册有对应的代表数据注册信息AVG10～AVG40。在图20中用黑圈表示代表数据注册信息AVG10～AVG40。
此外，如上所述，注册图像代表数据计算部35将注册人物信息P的注册图像R的面部特征数据以及注册对象图像A2的面部特征数据的平均值作为注册图像代表数据而算出。因此，若表示一例，则注册图像R11～R13的面部特征数据的平均值作为注册图像代表数据而包含在代表数据注册信息AVG10中。
以下，沿着图19所示的流程图的各步骤进行说明。首先，由于步骤S20～S22的具体的实施例如使用图12～图15所说明，所以省略其说明。
在接下来的步骤S23A中，相对评价部334A在关注代表数据与选择代表数据之间算出相对评价分数。另外，在图19中，设为关注代表数据是代表数据注册信息AVG10的注册图像代表数据，选择代表数据是代表数据注册信息AVG20～AVG40的注册图像代表数据。
相对评价部334A以作为关注代表数据的代表数据注册信息AVG10的注册图像代表数据为基准，进行与作为选择代表数据的代表数据注册信息AVG20、AVG30以及AVG40的注册图像代表数据各自的比较。
然后，相对评价部334A基于上述比较结果，分别算出相对评价分数REL200、REL300以及REL400。
由于具体的相对评价分数REL200、REL300以及REL400的计算方法如在所述实施方式中使用图6以及图7等说明所示，所以省略其说明。
相对评价部334A这样对“B先生”、“C先生”以及“D先生”算出相对评价分数REL200、REL300以及REL400（S24）。
由于接下来的步骤S25以及S26如使用图12～图15说明所示，所以省略其说明。
（作用/效果）
如以上所示，面部认证装置1A是相对评价部334A使用具有代表对人物注册的多个注册图像R的面部特征数据的代表数据注册信息而算出相对评价分数的结构。
根据上述结构，由于使用比对分数而算出相对评价分数，且该比对分数是使用代表数据注册信息AVG而算出，所以能够减轻算出相对评价分数时的处理负荷。
（变形例）
以下，说明面部认证装置1A的优选的变形例。
［代表数据的变形例］
在面部认证处理部33A中，也可以生成与关注代表数据的注册人物不同的多个注册人物的代表数据。例如，也可以作为上述多个注册人物的代表数据，生成作为全部注册人物的代表数据的全部他人代表数据。
全部他人代表数据能够通过求出与关注代表数据的注册人物不同的多个注册人物的代表数据的平均值而生成。
然后，其他代表数据选择部333A也可以将上述全部他人代表数据作为选择代表数据而选择。
根据上述构成，在采用上述的相对评价分数计算方法的方法1的情况下，不进行与关注代表数据的注册人物不同的注册人物的人数量的投影，就能够算出相对评价分数。
此外，在上述的方法2中，能够不进行与关注代表数据的注册人物不同的注册人物的人数量的距离计算或者类似度计算就算出相对评价分数。
在上述的方法3中，不进行与关注代表数据的注册人物不同的注册人物的人数量的识别空间的生成，就能够算出相对评价分数。
换言之，该变形例也可以说是对与关注代表数据的注册人物不同的多个注册人物的特征空间进行投影、距离计算·类似度计算或者识别空间的制作。
［代表数据注册信息的注册的变形例］
注册图像代表数据计算部35也可以如下注册代表数据注册信息AVG。
具体而言，注册图像代表数据计算部35将从面部特征数据提取部32提供的、注册对象图像A2的面部特征数据与注册图像数据库21进行比对而确定注册人物。此外，注册图像代表数据计算部35使用对锁确定的人物注册的注册图像R以及注册对象图像A2，算出注册图像代表数据。然后，注册图像代表数据计算部35将所确定的人物的姓名（ID）与注册图像代表数据相关联而作为代表数据注册信息AVG而注册到代表数据注册信息存储部22中。
〔实施方式3〕
基于图21～图24说明本发明的其他的实施方式如下。另外，为了便于说明，关于与在上述的实施方式中说明的附图具有相同的功能的部件赋予相同的标号，并省略其说明。
在本实施方式的面部认证装置中，按每个注册人物信息P计算代表性的面部图像，基于所计算出的代表性的面部图像而算出绝对评价分数。以下，主要聚焦绝对评价分数的计算方法进行说明。
首先，使用图21说明面部认证装置（图像比对装置）1B的结构。图21所示的面部认证装置1B与上述的面部认证装置1A相比，以下方面不同。
即，面部认证装置1B在面部认证装置1A的控制部30中，将面部认证处理部33A变更为面部认证处理部33B。
面部认证处理部33B不同于在绝对评价分数的计算中使用注册图像并在相对评价分数的计算中使用代表数据注册信息的面部认证处理部33A，在绝对评价分数的计算中使用代表数据注册信息并在相对评价分数的计算中使用注册图像。以下，说明面部认证处理部33B的结构。
（面部认证处理部）
使用图22说明面部认证处理部33B的结构。图22是表示面部认证处理部33B的概略的结构的一例的功能方框图。
如图22所示，面部认证处理部33B是在面部认证处理部33中将绝对评价部331变更为代表数据绝对评价部（比对分数计算部件）337的部分。
代表数据绝对评价部337通过进行输入图像与代表数据注册信息的匹配而算出代表数据的绝对评价分数。在代表数据绝对评价部337的比对分数计算方法中，能够使用与绝对评价部331相同的方法。即，代表数据绝对评价部337通过使用图4以及图5所示的方法，能够算出相对评价分数。另外，此时，代表数据注册信息AVG的注册图像代表数据对应于图4以及图5中的特征量Ｙ。
此外，代表数据绝对评价部337将所算出的绝对评价分数提供给评价合并部335。
此外，关于评价合并部335，除了从代表数据绝对评价部337接受绝对评价分数的提供之外，也与如至今说明所示。
（面部图像注册处理的流程）
由于面部认证装置1B中的面部图像注册处理的流程如使用图18所示，所以省略其说明。
（面部图像认证处理的流程）
接着，使用图23说明将拍摄了某一人物的面部的拍摄图像作为输入图像进行认证的面部图像认证处理的流程的再其他例。图23是例示了面部认证装置1A中的面部图像认证处理的流程的流程图。图23所示的流程图是在图12所示的流程图中将步骤S22变更为步骤S22A的图。
由于步骤S20以及S21如已使用图12说明所示，所以省略其说明。
接着，在步骤S22A中，代表数据绝对评价部337在输入图像与各代表数据注册信息之间进行匹配，算出绝对评价分数（S22A）。
由于接下来的步骤S23～S26如已使用图12说明所示，所以省略其说明。
（实施例）
以下，进一步使用图24说明已使用图23说明的面部图像认证处理的流程的具体的实施例。
在以下说明的实施例中，设为在注册图像数据库21中，如图24所示，在注册图像数据库中注册有注册人物信息P1（A先生）、P2（B先生）、P3（C先生）以及P4（D先生）。这些注册人物信息P1～P4与如图13所示的信息相同。
此外，在代表数据注册信息存储部22中，如图24所示，关于注册人物信息P1～P4，分别注册有对应的代表数据注册信息AVG100～AVG400。图24中用黑圈表示代表数据注册信息AVG100～AVG400。
此外，如上所述，注册图像代表数据计算部35将注册人物信息P的注册图像R的面部特征数据以及注册对象图像A2的面部特征数据的平均值作为注册图像代表数据而算出。因此，若表示一例，则注册图像R11～R13的面部特征数据的平均值作为注册图像代表数据包含在代表数据注册信息AVG100中。
以下，沿着图23所述的流程图的各步骤进行说明。首先，由于步骤S20以及S21如使用图12～图15说明所示，所以省略其说明。
接着，在步骤S22A中，代表数据绝对评价部337通过在输入图像A1与代表数据注册信息AVG100～AVG400的各自之间进行匹配，对代表数据注册信息AVG100～AVG400的各自算出绝对评价分数ABS100～ABS400。
接着，由于步骤S23～S26如已使用图12～图15说明所示，所以省略其说明。
（作用/效果）
如以上所示，面部认证装置1B是代表数据绝对评价部337在输入图像A1与具有代表对人物进行注册的多个注册图像R的面部特征数据、即注册图像代表数据的代表数据注册信息AVG之间算出绝对评价分数的结构。
根据上述构成，由于对各注册人物信息P分别使用代表数据注册信息AVG而算出绝对评价分数，所以能够减轻计算绝对评价分数时的处理负荷。
〔实施方式4〕
基于图25～图27说明本发明的其他的实施方式如下。另外，为了便于说明，对于与在上述的实施方式中说明的附图具有相同的功能的部件赋予相同的标号，并省略其说明。
在本实施方式的面部认证装置中，按每个注册人物信息P计算代表性的面部图像，并基于计算出的代表性的面部图像，算出绝对评价分数以及相对评价分数。
首先，使用图25说明面部认证装置（图像比对装置）1C的结构。图25所示的面部认证装置1C与上述的面部认证装置1A相比具有以下的不同点。
即，面部认证装置1C是在面部认证装置1A的控制部30中，将面部认证处理部33A变更为面部认证处理部33C的装置。以下，说明面部认证处理部33C的结构。
（面部认证处理部）
使用图26说明面部认证处理部33C的结构。图26是表示面部认证处理部33C的概略的结构的一例的功能方框图。
如图26所示，面部认证处理部33C是在面部认证处理部33A中，将绝对评价部331变更为代表数据绝对评价部337的部分。
代表数据绝对评价部337与所述实施方式的面部认证处理部33B的代表数据绝对评价部337相同。因此，由于已说明了代表数据绝对评价部337，所以在这里省略其说明。
面部认证处理部33C成为这样在绝对评价分数以及相对评价分数的两方中使用代表数据注册信息的结构。
以下，说明在绝对评价分数的计算以及相对评价分数的计算中分别使用不同的注册图像代表数据的结构。但是，并不限定于此，也可以在绝对评价分数的计算以及相对评价分数的计算中使用相同的注册图像代表数据。
此外，在面部认证处理部33C中，设为注册图像代表数据计算部35以绝对评价分数计算用和相对评价分数计算用而分开注册代表数据注册信息的结构。
例如，注册图像代表数据计算部35将注册图像R的面部特征数据以及注册对象图像A2的面部特征数据的平均值作为注册图像代表数据而算出。
此外，例如，注册图像代表数据计算部35也可以将最近注册的注册图像R的面部特征数据作为注册图像代表数据而算出。
并且，以下，说明将平均值的注册图像代表数据作为绝对评价分数计算用，将最近注册的注册图像R的面部特征数据作为相对评价分数计算用的例子。但是，并不限定于此，也可以是与上述相反的结构。
（面部图像注册处理的流程）
由于面部认证装置1C中的面部图像注册处理的流程如使用图18所示，所以省略其说明。
（面部图像认证处理的流程）
接着，使用图27说明将拍摄了某一人物的面部的拍摄图像作为输入图像而进行认证的面部图像认证处理的流程的再其他的例。图27是例示了面部认证装置1C中的面部图像认证处理的流程的流程图。图27所示的流程图是在图19所示的流程图中，将步骤S22变更为步骤S22A的图。
由于步骤S20以及S21如已使用图12所说明，所以省略其说明。
接着，在步骤S22A中，代表数据绝对评价部337在输入图像与绝对评价分数计算用的各代表数据注册信息之间进行匹配，算出绝对评价分数（S22A）。
接着，从在代表数据注册信息存储部22中注册的相对评价分数计算用的注册图像代表数据中，关注代表数据选择部332A将一个注册人物的注册图像代表数据作为关注代表数据而选择，其他代表数据选择部333A将与关注代表数据的注册人物不同的代表人物的注册图像代表数据作为选择代表数据而选择，且相对评价部334A在关注代表数据与选择代表数据之间算出相对评价分数（S23A）。
由于接下来的步骤S24～S26如已使用图12所说明，所以省略其说明。
（实施例）
以下，进一步使用图20以及图24说明已使用图27说明的面部图像认证处理的流程的具体的实施例。
在以下说明的实施例中，在注册面部图像数据库中，如图20以及图24所示，注册有注册人物信息P1～P4。此外，如图20所示，设为在代表数据注册信息存储部22中，注册有相对评价分数计算用的代表数据注册信息AVG10～AVG40。此外，如图24所示，设为在代表数据注册信息存储部22中，注册有绝对评价分数计算用的代表数据注册信息AVG100～AVG400。
以下，沿着图27所示的流程图的各步骤进行说明。首先，S20以及S21如使用图12～图15说明所示。
接着，在步骤S22A中，代表数据绝对评价部337通过在输入图像A1与代表数据注册信息AVG100～AVG400的各自之间进行匹配，对代表数据注册信息AVG100～AVG400的各自算出绝对评价分数ABS100～ABS400。
接着，在步骤S23A中，相对评价部334A在关注代表数据与选择代表数据之间算出相对评价分数。这里，说明相对评价部334A算出的相对评价分数如图20所例示。
首先，如图20所例示，设为关注代表数据为代表数据注册信息AVG10的注册图像代表数据，选择代表数据为代表数据注册信息AVG20～AVG40的注册图像代表数据。
此时，如图20所例示，相对评价部334A以关注代表数据即代表数据注册信息AVG10的注册图像代表数据为基准，进行与选择代表数据即代表数据注册信息AVG20、AVG30以及AVG40的注册图像代表数据各自的比较。
然后，相对评价部334A基于上述比较结果，分别算出相对评价分数REL201、REL301以及REL401。
由于具体的相对评价分数REL200、REL300以及REL400的计算方法如在所述实施方式中使用图6以及图7等说明所示，所以省略其说明。
相对评价部334A这样针对“B先生”、“C先生”以及“D先生”算出相对评价分数REL201、REL301以及REL401（S24）。
由于接下来的步骤S25以及S26如使用图12～图15说明所示，所以省略其说明。
（作用/效果）
如以上所示，面部认证装置1C是代表数据绝对评价部337在输入图像A1与代表数据注册信息AVG之间算出绝对评价分数，相对评价部334A使用代表数据注册信息AVG而算出相对评价分数的结构。
根据上述构成，能够减轻计算绝对评价分数以及相对评价分数时的处理负荷。
此外，如以上所示，成为在面部认证处理中也可以不参照注册图像数据库的结构。
此外，以绝对评价分数计算用和相对评价分数计算用而分开注册代表数据注册信息，能够进行使用了适合各自的分数计算的注册图像代表数据的认证处理。由此，能够实现认证精度的提高。
（变形例）
以下，说明面部认证装置1C的优选的变形例。
注册图像代表数据计算部35也可以是使用所注册的注册图像的一部分而算出注册图像代表数据的结构。即，注册图像代表数据计算部35通过利用所注册的注册图像的部分空间，也可以算出注册图像代表数据。
此外，注册图像代表数据计算部35也可以通过除此之外的方法（统计学的方法或多变量分析等）来生成注册图像代表数据。
此外，注册图像代表数据计算部35也可以不将代表数据注册信息以绝对评价分数计算用和相对评价分数计算用而分开注册，而是在绝对评价分数计算以及相对评价分数计算中使用公共的代表数据注册信息。
（结语）
本发明并不限定于上述的各实施方式，在权利要求书所示的范围内可进行各种变更，将在不同的实施方式中分别公开的技术手段适当地组合而得的实施方式也包含在本发明的技术范围中。
例如，在上述的实施方式中，说明了评价合并部335在合并分数的计算中求出绝对评价分数和相对评价分数的加权平均的方法，但评价合并部335也可以如下决定上述（1）式中的权重w。
即，权重w既可以是预先决定的，也可以在存储部20中对设定文件存储权重w的值。然后，评价合并部335也可以从存储部20读取权重w的值而求出加权平均。
此外，权重w也可以基于注册图像的注册张数而决定。即，也可以在注册张数多时提高绝对评价分数的权重w。相对于此，也可以在注册张数少时降低相对评价分数的权重w。
此外，权重w也可以基于注册数据的状态和输入数据的状态的差异来决定。此时，将注册图像R作为如下数据结构而构成：将表示对拍摄了拍摄图像时的人物的面部的状态或、环境、拍摄条件进行了分析的结果的各种信息作为项目而包含。
更具体而言，将注册图像R作为包含“面部的朝向”、“面部的表情”、“笑脸度”、“照明条件”以及“射光度”等的项目的数据构造而构成。此外，注册图像R也可以除此之外还作为项目而包含“年龄”、“性别”、“眼睛的睁法”等。
并且，在全部注册图像R的上述数据项目所表示的状态与输入图像的状态不同的情况下，也可以提高绝对评价分数的权重w。相对于此，在全部注册图像R的上述数据项目所表示的状态与输入图像的状态相似的情况下，也可以降低相对评价分数的权重w。
此外，在上述的实施方式中，将人物的面部作为注册以及认证的对象物，但并不限定于此。既可以将人物整体作为对象物，也可以除此之外还将车辆或其号码牌作为对象物。成为注册以及认证的对象的对象物只要是可进行模式识别的物体即可。另外，对象物也可以是其他的对象物的一部分。例如，在某一对象物为人物时，作为该对象物的一部分的人物的面部也可以作为对象物。
另外，面部认证装置1、1A、1B、1C的各模块既可以通过硬件逻辑构成，也可以如下使用CPU通过软件实现。
即，上述装置包括执行用于实现各种功能的控制程序的命令的CPU（中央处理单元）、存储了上述程序的ROM（只读存储器）、展开上述程序的RAM（随机存取存储器）、存储上述程序及各种数据的存储器等的存储装置（记录介质）等。并且，通过将计算机可读取地记录了作为实现上述的功能的软件的上述装置的控制程序的程序代码（执行形式程序、中间代码程序、源程序）的记录介质提供给上述装置，该计算机（或者CPU或MPU）读出并执行在记录介质中记录的程序代码，也能够实现本发明的目的。
作为上述记录介质，例如可以使用磁带、盒带等的带类；也可以是包括软盘（注册商标）/硬盘等磁盘以及CD-ROM/MO/MD/DVD/CD-R/蓝光盘（注册商标）等光盘的盘类；也可以是IC卡（包括存储卡）/光卡等卡类；或是掩膜ROM/EPROM/EEPROM/闪存ROM等半导体存储器类等。
另外，上述装置也能够连接到通信网络，经由通信网络而提供上述程序代码。作为该通信网络，没有特别限定，例如，可以利用因特网、内联网、外联网、LAN、ISDN、VAN、CATV通信网、虚拟专用网络（virtual privatenetwork）、电话线路网、移动通信网、卫星通信网等。此外，作为构成通信网络的传输介质，没有特别限定，例如可使用IEEE1394、USB、电力线传输、电缆TV线路、电话线、ADSL线路等的有线，也可以使用IrDA或遥控那样的红外线、蓝牙（注册商标）、802.11无线、HDR、移动电话网、卫星线路、地面波数字网等的无线。另外，即使是通过电子传输而将上述程序代码具体化的、在载波中搭载的计算机数据信号的方式，也可以实现本发明。
〔备注事项〕
如以上所述，本发明的图像比对装置是将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对的图像比对装置，在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对装置包括：比对分数计算部件，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算部件，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算部件，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对部件，基于上述合并分数来进行上述输入图像的比对。
此外，如以上所述，本发明的图像比对程序是将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对的图像比对程序，在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而注册，并且，对多个对象物注册有上述注册图像，上述图像比对程序用于使计算机执行包括以下步骤的处理：比对分数计算步骤，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
此外，如以上所述，本发明的图像比对方法是将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对的图像比对方法，在上述注册图像数据库中，拍摄上述对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，上述图像比对方法包括以下步骤：比对分数计算步骤，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
根据上述结构，通过除了输入图像与对象物之间的比对分数之外，还加入了表示在上述注册图像数据库中注册着的多个对象物中一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的相对评价分数的合并分数，能够进行输入图像的比对。
这里，上述对象物是指，以人物以及车为首的可进行模式识别的物体等。另外，对象物也可以是某一对象物的一部分。例如为对象物的人物和作为该对象物的一部分的人物的面部的关系。
此外，拍摄了对象物的图像的特征量是，用于将拍摄了对象物的图像作为用于比对的比较对象的信息。
更具体而言，上述特征量既可以是拍摄了对象物的图像其本身、即像素值，也可以是从该图像中提取的、表示对象物的外观的特征的量。
此外，上述特征量既可以是从拍摄了对象物的、特定的一张图像中提取的量，也可以是从拍摄了对象物的多张图像中提取的量。
在上述构成中，将这样的特征量作为注册图像而注册在注册图像数据库中。
此外，比对分数是使用输入图像的特征量和注册图像的特征量而导出的分数。
此外，比对分数是表示在输入图像中拍摄的对象物与注册图像表示的对象物的近似的程度的、所谓的近似度。因此，换句话说，比对分数是，只要决定成为分数计算对象的注册图像就能够在与输入图像之间唯一地算出的绝对的评价分数。
此时，更具体而言，比对分数是通过比较在输入图像中被拍摄的对象物的特征量与注册图像的特征量而获得的近似度。
即，上述比对分数可以说是以输入图像为中心，表示注册图像在多大程度上与输入图像近似。例如，在对象物为人物时，比对分数存在在如兄弟这样具有相似的容貌的同伴之间成为接近的分数的倾向。
相对于此，相对评价分数是从某一对象物的注册图像与其他的对象物的注册图像导出的相对的分数。例如，相对评价分数是通过将某一对象物的注册图像以及输入图像之间的比对分数与、其他的对象物的注册图像以及输入图像之间的比对分数相互比较而导出的多个对象物的注册图像之间的相对的分数。
即，根据相对评价分数，能够掌握某一对象物的注册图像相对于其他的对象物的注册图像在多大程度上与输入图像相似。
进而，算出合并了比对分数和相对评价分数的合并分数。例如能够通过规定的计算方法来算出该合并分数。具体而言，能够对比对分数以及相对评价分数任意进行加权而获得合并分数。
例如，合并分数可以是比对分数以及相对评价分数的平均。此时，对于两者的加权均等。
此外，例如，合并分数也可以是比对分数以及相对评价分数的加权平均。
如以上所述，合并分数是，对表示输入图像和注册图像的近似度的指标即比对分数组合了表示在多个对象物的注册图像之间一个对象物的注册图像相比其他的对象物的注册图像在多大程度上与输入图像相似的指标即相对评价分数的分数。
由于使用这样的合并分数进行认证，所以能够提高对于只使用比对分数进行比对的情况下错误判断的、相似的对象物的识别率。
此外，上述图像比对方法也可以通过计算机实现，此时，通过使计算机执行包括上述各步骤的处理，从而使计算机实现图像比对方法的各步骤的图像比对程序以及记录了该程序的计算机可读取的记录介质也属于本发明的范畴。
此外，优选地，在本发明的图像比对装置中，包括：代表图像注册部件，对上述多个对象物的每个，将代表对同一个上述对象物注册的多个注册图像的特征量作为代表图像而注册。
根据上述结构，对上述多个对象物的每个，将代表对同一个上述对象物注册的多个注册图像的特征量作为代表图像而注册
代表图像既可以是在对同一个上述对象物注册的全部注册图像中代表一部分注册图像的图像。例如，也可以是代表在规定期间内注册的注册图像的图像。
此外，代表图像的特征量例如也可以从对同一个上述对象物注册的多个注册图像的特征量导出。
具体而言，代表图像的特征量也可以是对同一个上述对象物注册的多个注册图像的特征量的平均值。
由此，在采用基于多个注册图像的特征量的平均值的代表图像的情况下，即使在注册图像的特征量中包含了噪声，通过取其平均值也能够减轻噪声。
此外，代表图像的特征量也可以是从对同一个上述对象物注册的多个注册图像中选择的特定的注册图像的特征量。例如，能够将最近注册的、最新的注册图像的特征量作为代表图像的特征量。
此外，优选地，在本发明的图像比对装置中，上述相对评价分数计算部件使用具有代表对上述对象物注册的多个注册图像的特征量的注册图像、即上述代表图像来算出上述相对评价分数。
根据上述结构，使用一个对象物的代表图像和其他的对象物的代表图像来算出相对评价分数。这里，代表图像是在对某一对象物注册的多个注册图像中代表对象物的一个注册图像。
根据上述结构，由于使用代表图像来算出相对评价分数，所以能够减轻在计算相对评价分数时的处理负荷。即，在注册图像的注册数多时具有优点。
此外，优选地，在本发明的图像比对装置中，上述比对分数计算部件在上述输入图像与具有代表对上述对象物注册的多个注册图像的特征量的注册图像、即上述代表图像之间算出比对分数。
根据上述结构，在输入图像与代表图像之间算出比对分数。即，根据上述结构，对各个对象物使用代表图像来算出比对分数。因此，能够减轻计算在比对分数时的处理负荷。即，在注册图像的注册数多时具有优点。
此外，优选地，在本发明的图像比对装置中，上述相对评价分数计算部件在上述一个对象物和上述其他的对象物之间构成的投影空间中，算出将上述输入图像投影到所述投影空间的投影点以及上述一个对象物之间的近似度或者上述投影点以及上述一个对象物之间的近似度与上述投影点以及上述其他的对象物之间的近似度之比，作为上述相对评价分数而算出。
根据上述结构，通过使用了对象物的注册图像的特征量形成的特征空间的方法，能够求出相对评价分数。
具体而言，首先，获得将输入图像投影到投影空间的投影点。这里，优选地，作为投影空间，对不同的两个对象物选择两者的注册图像的特征量的识别较好的空间。另外，若是一维则投影空间成为直线，若是二维则投影空间成为平面。即，一维的投影空间成为投影直线，二维的投影空间成为投影平面。
并且，在特征空间中，调查上述投影点与两个对象物处于什么位置关系而算出近似度。例如，近似度能够作为投影点与两个对象物之间的、欧几里得距离、马哈拉诺比斯距离等的距离来表现。
此外，近似度能够通过对投影点与两个对象物进行归一化相关等的类似度计算而求出。
在上述构成中，将上述近似度作为相对评价分数而算出。或者，也可以将相关的一个对象物以及投影点之间的近似度与其他的对象物以及投影点之间的近似度之比作为相对评价分数来算出。
通过使用这样的方法，能够获得比对精度高的相对评价分数。
此外，优选地，在本发明的图像比对装置中，上述相对评价分数计算部件将上述输入图像的对象物以及上述一个对象物之间的近似度与上述输入图像的对象物以及上述其他的对象物之间的近似度之比，作为上述相对评价分数而算出。
根据上述结构，通过求比，能够以简单的处理来算出相对评价分数。此外，能够使用已经算出的近似度，也对处理负荷的减轻做出贡献。
此外，优选地，在本发明的图像比对装置中，上述相对评价分数计算部件在上述一个对象物和上述其他的对象物之间构成的识别边界中，将上述输入图像的对象物与上述识别边界之间的距离作为上述相对评价分数而算出。
根据上述结构，通过在对象物的注册图像的特征量形成的特征空间中形成识别边界的方法，能够求出相对评价分数。
作为这样的方法，例如，可举出K-means法、Boosting(提升)、以及SVM(支持向量机)等的特征量的要类分析。
根据上述结构，通过如上所述的要类分析，在上述一个对象物与上述其他的对象物之间构成识别边界。并且，根据上述结构，将上述输入图像的对象物与上述识别边界之间的距离作为上述相对评价分数来算出。
通过使用这样的方法，能够获得比对精度高的相对评价分数。
此外，优选地，在本发明的图像比对装置中，上述合并分数计算部件将上述比对分数与上述相对评价分数进行了平均的分数作为上述合并分数而算出。
根据上述结构，由于能够将因数据的偏差所引起的各分数的误差均匀掉，所以有获得良好的认证精度的倾向。
此外，优选地，在本发明的图像比对装置中，上述对象物为人物的面部。
即，在上述结构中，输入图像为拍摄了人物的面部的面部图像，在上述注册图像数据库中，注册有按每个人物拍摄该人物的面部而获得的面部图像。
根据上述结构，起到能够高精度地比对人物的面部的效果。
另外，能够优选地构成具备上述图像比对装置和将上述输入图像提供给上述图像比对装置的图像输入装置的图像处理系统。
作为图像处理系统的例子，可举出打印机、扫描仪、个人计算机或数字照相机等处理数字图像的系统。此外，也可以采用上述图像比对装置与上述图像输入装置之间通过通信网络连接的结构。
此外，在发明的详细的说明项中进行的具体的实施方式或者实施例始终是用于明确本发明的技术内容的，不应仅限定于这样的具体例而狭义地解释，在本发明的精神和以下记载的权利要求书的范围中，可进行各种变更而实施。
产业上的可利用性
由于本发明能够用于在图像中包含的对象物的认证，所以能够适当地利用于通过打印机、扫描仪、个人计算机等实现的数字图像设备或数字照相机、以及安全系统等中。
标号说明
1、1A、1B、1C  面部认证装置（图像比对装置）
5  图像输入装置
A1  输入图像
A11  输入图像的面部特征数据
21  注册图像数据库
22  代表数据注册信息存储部（注册图像数据库）
33、33A、33B、33C  面部认证处理部
34  认证结果输出部（图像比对部件）
100  面部认证系统（图像处理系统）
331  绝对评价部（比对分数计算部件）
332  关注注册图像选择部（相对评价分数计算部件）
332A  关注代表数据选择部（相对评价分数计算部件）
333  其他注册图像选择部（相对评价分数计算部件）
333A  其他代表数据选择部（相对评价分数计算部件）
334、334A  相对评价部（相对评价分数计算部件）
335  评价合并部（合并分数计算部件）
336  代表数据认证分数计算部（相对评价分数计算部件）
337  代表数据绝对评价部（比对分数计算部件）
AVG  代表数据注册信息（代表图像）
P  注册人物信息
R  注册图像

Claims (13)

1.一种图像比对装置，将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对，其特征在于，
在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，
上述图像比对装置包括：
比对分数计算部件，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；
相对评价分数计算部件，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；
合并分数计算部件，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及
图像比对部件，基于上述合并分数来进行上述输入图像的比对。
2.如权利要求1所述的图像比对装置，其特征在于，包括：
代表图像注册部件，对上述多个对象物的每个，将代表对同一个上述对象物注册的多个注册图像的特征量作为代表图像而注册。
3.如权利要求2所述的图像比对装置，其特征在于，
上述相对评价分数计算部件使用上述代表图像来算出上述相对评价分数。
4.如权利要求2所述的图像比对装置，其特征在于，
上述比对分数计算部件使用上述代表图像来算出上述比对分数。
5.如权利要求1至4的任一项所述的图像比对装置，其特征在于，
上述相对评价分数计算部件在上述一个对象物和上述其他的对象物之间构成的投影空间中，将上述输入图像投影到所述投影空间的投影点以及上述一个对象物之间的近似度或者上述投影点以及上述一个对象物之间的近似度与上述投影点以及上述其他的对象物之间的近似度之比，作为上述相对评价分数而算出。
6.如权利要求1至4的任一项所述的图像比对装置，其特征在于，
上述相对评价分数计算部件将上述输入图像的对象物以及上述一个对象物之间的近似度与上述输入图像的对象物以及上述其他的对象物之间的近似度之比，作为上述相对评价分数而算出。
7.如权利要求1至4的任一项所述的图像比对装置，其特征在于，
上述相对评价分数计算部件在上述一个对象物和上述其他的对象物之间构成的识别边界中，将上述输入图像的对象物与上述识别边界之间的距离作为上述相对评价分数而算出。
8.如权利要求1至4的任一项所述的图像比对装置，其特征在于，
上述合并分数为上述比对分数和上述相对评价分数的平均值。
9.如权利要求1至8的任一项所述的图像比对装置，其特征在于，
上述对象物为人物的面部。
10.一种图像处理系统，其特征在于，包括：
权利要求1至9的任一项所述的图像比对装置；以及
将上述输入图像提供给上述图像比对装置的图像输入装置。
11.一种图像比对程序，将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对，其特征在于，
在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，
上述图像比对程序用于使计算机执行包括以下步骤的处理：
比对分数计算步骤，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；
相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；
合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及
图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
12.一种计算机可读取的记录介质，记录了权利要求11所述的图像比对程序。
13.一种图像比对方法，将拍摄了应比对的对象物的输入图像与注册图像数据库进行比对，其特征在于，
在上述注册图像数据库中，拍摄对象物而获得的图像的特征量作为注册图像而被注册，并且，对多个对象物注册有上述注册图像，
上述图像比对方法包括以下步骤：
比对分数计算步骤，使用上述输入图像的特征量和上述注册图像的特征量，算出用于表示上述注册图像所表示的对象物在多大程度上与上述输入图像的对象物近似的分数、即比对分数；
相对评价分数计算步骤，算出用于表示在上述注册图像数据库中注册的一个对象物相对其他的对象物在多大程度上与上述输入图像的对象物近似的分数、即相对评价分数；
合并分数计算步骤，算出将上述比对分数和上述相对评价分数进行加权的合并分数；以及
图像比对步骤，基于上述合并分数来进行上述输入图像的比对。
CN201180068810.5A 2011-03-14 2011-03-17 图像比对装置、图像处理系统、以及图像比对方法 Active CN103403760B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011055970A JP4775515B1 (ja) 2011-03-14 2011-03-14 画像照合装置、画像処理システム、画像照合プログラム、コンピュータ読み取り可能な記録媒体、および画像照合方法
JP2011-055970 2011-03-14
PCT/JP2011/056466 WO2012124124A1 (ja) 2011-03-14 2011-03-17 画像照合装置、画像処理システム、画像照合プログラム、コンピュータ読み取り可能な記録媒体、および画像照合方法

Publications (2)

Publication Number Publication Date
CN103403760A true CN103403760A (zh) 2013-11-20
CN103403760B CN103403760B (zh) 2016-09-14

Family

ID=44798033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180068810.5A Active CN103403760B (zh) 2011-03-14 2011-03-17 图像比对装置、图像处理系统、以及图像比对方法

Country Status (6)

Country Link
US (1) US9058513B2 (zh)
EP (1) EP2688039A4 (zh)
JP (1) JP4775515B1 (zh)
KR (1) KR101506105B1 (zh)
CN (1) CN103403760B (zh)
WO (1) WO2012124124A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184304A (zh) * 2014-06-12 2015-12-23 欧姆龙株式会社 图像辨识装置以及对图像辨识装置的特征量数据注册方法
CN106682068A (zh) * 2015-11-11 2017-05-17 三星电子株式会社 用于适应性更新用于用户认证的注册数据库的方法和设备
CN108469787A (zh) * 2017-02-23 2018-08-31 波音公司 对结构的装配状况执行自动验证的方法和装置
CN108780509A (zh) * 2016-03-15 2018-11-09 视觉科技(以色列)有限公司 图像比较系统和方法
CN111699496A (zh) * 2018-03-14 2020-09-22 欧姆龙株式会社 神经网络型图像处理装置

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014013686A1 (ja) 2012-07-19 2014-01-23 日本電気株式会社 照合装置及び照合装置の制御方法、並びにコンピュータ・プログラム
US9465813B1 (en) 2012-11-09 2016-10-11 Amazon Technologies, Inc. System and method for automatically generating albums
US20150317511A1 (en) * 2013-11-07 2015-11-05 Orbeus, Inc. System, method and apparatus for performing facial recognition
JP6215774B2 (ja) 2014-05-29 2017-10-18 富士フイルム株式会社 同一人物判定装置ならびにその方法およびその制御プログラム
CN106034029A (zh) 2015-03-20 2016-10-19 阿里巴巴集团控股有限公司 基于图片验证码的验证方法和装置
JP6865351B2 (ja) * 2015-07-27 2021-04-28 パナソニックＩｐマネジメント株式会社 顔照合装置およびこれを備えた顔照合システムならびに顔照合方法
KR102427853B1 (ko) * 2015-11-11 2022-08-02 삼성전자주식회사 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
US10424072B2 (en) 2016-03-01 2019-09-24 Samsung Electronics Co., Ltd. Leveraging multi cues for fine-grained object classification
US10579860B2 (en) 2016-06-06 2020-03-03 Samsung Electronics Co., Ltd. Learning model for salient facial region detection
KR101972331B1 (ko) * 2017-08-29 2019-04-25 키튼플래닛 주식회사 영상 얼라인먼트 방법 및 그 장치
CN110490026A (zh) * 2018-05-14 2019-11-22 阿里巴巴集团控股有限公司 验证对象的方法、装置和系统
CN109753920B (zh) * 2018-12-29 2021-09-17 深圳市商汤科技有限公司 一种行人识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005253770A (ja) * 2004-03-12 2005-09-22 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び医用画像処理プログラム
CN101075291A (zh) * 2006-05-18 2007-11-21 中国科学院自动化研究所 一种用于人脸识别的高效提升训练方法
CN101142586A (zh) * 2005-03-18 2008-03-12 皇家飞利浦电子股份有限公司 执行人脸识别的方法
JP2010257339A (ja) * 2009-04-27 2010-11-11 Fujitsu Ltd 文字識別プログラム、文字識別装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03150692A (ja) * 1989-11-07 1991-06-27 Nippon Telegr & Teleph Corp <Ntt> 単語照合方式
JP4153691B2 (ja) 2001-11-06 2008-09-24 株式会社東芝 顔画像照合装置及び顔画像照合方法
DE60233935D1 (de) * 2002-07-19 2009-11-19 Mitsubishi Electric Inf Tech Verfahren und Gerät zur Datenverarbeitung
WO2009134482A2 (en) * 2008-01-31 2009-11-05 The Board Of Trustees Of The University Of Illinois Recognition via high-dimensional data classification
EP2569721A4 (en) * 2010-05-14 2013-11-27 Datalogic Adc Inc SYSTEMS AND METHODS FOR OBJECT DETECTION USING A LARGE DATABASE

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005253770A (ja) * 2004-03-12 2005-09-22 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び医用画像処理プログラム
CN101142586A (zh) * 2005-03-18 2008-03-12 皇家飞利浦电子股份有限公司 执行人脸识别的方法
CN101075291A (zh) * 2006-05-18 2007-11-21 中国科学院自动化研究所 一种用于人脸识别的高效提升训练方法
JP2010257339A (ja) * 2009-04-27 2010-11-11 Fujitsu Ltd 文字識別プログラム、文字識別装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何国辉，甘俊英: "人机自然交互中多生物特征融合与识别", 《计算机工程与设计》, vol. 27, no. 6, 31 March 2006 (2006-03-31) *
朱长仁，王润生: "基于层次模型和融合决策的多姿态人脸识别技术", 《电子与信息学报》, vol. 24, no. 11, 30 November 2002 (2002-11-30) *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184304A (zh) * 2014-06-12 2015-12-23 欧姆龙株式会社 图像辨识装置以及对图像辨识装置的特征量数据注册方法
CN105184304B (zh) * 2014-06-12 2018-08-28 欧姆龙株式会社 图像辨识装置以及对图像辨识装置的特征量数据注册方法
CN106682068A (zh) * 2015-11-11 2017-05-17 三星电子株式会社 用于适应性更新用于用户认证的注册数据库的方法和设备
CN106682068B (zh) * 2015-11-11 2022-10-14 三星电子株式会社 用于适应性更新用于用户认证的注册数据库的方法和设备
CN108780509A (zh) * 2016-03-15 2018-11-09 视觉科技(以色列)有限公司 图像比较系统和方法
CN108469787A (zh) * 2017-02-23 2018-08-31 波音公司 对结构的装配状况执行自动验证的方法和装置
CN108469787B (zh) * 2017-02-23 2022-08-30 波音公司 对结构的装配状况执行自动验证的方法和装置
CN111699496A (zh) * 2018-03-14 2020-09-22 欧姆龙株式会社 神经网络型图像处理装置
CN111699496B (zh) * 2018-03-14 2023-08-29 欧姆龙株式会社 神经网络型图像处理装置、外观检查装置及外观检查方法

Also Published As

Publication number Publication date
US20140010419A1 (en) 2014-01-09
KR20130099241A (ko) 2013-09-05
EP2688039A1 (en) 2014-01-22
KR101506105B1 (ko) 2015-03-25
JP2012194605A (ja) 2012-10-11
US9058513B2 (en) 2015-06-16
WO2012124124A1 (ja) 2012-09-20
EP2688039A4 (en) 2015-04-08
CN103403760B (zh) 2016-09-14
JP4775515B1 (ja) 2011-09-21

Similar Documents

Publication Publication Date Title
CN103403760A (zh) 图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法
Han et al. Demographic estimation from face images: Human vs. machine performance
US20190251571A1 (en) Transaction verification system
Zhang et al. Touch gesture-based active user authentication using dictionaries
US11367305B2 (en) Obstruction detection during facial recognition processes
CN107038405B (zh) 识别对象的方法和设备以及训练识别模型的方法和设备
JP4862447B2 (ja) 顔認識システム
Chadha et al. Face recognition using discrete cosine transform for global and local features
Cho et al. An efficient hybrid face recognition algorithm using PCA and GABOR wavelets
Connaughton et al. Fusion of face and iris biometrics
WO2012086222A1 (ja) 画像認証装置、画像処理システム、画像認証装置制御プログラム、コンピュータ読み取り可能な記録媒体、および画像認証方法
KR101216115B1 (ko) 고객 인적정보 생성방법 및 생성장치, 그 기록매체 및 포스 시스템
Kim et al. Multimodal biometric system based on the recognition of face and both irises
US20210233053A1 (en) Methods, systems, apparatuses, and devices for facilitating advertising of a product
Pujol et al. Computing the principal local binary patterns for face recognition using data mining tools
Srinivasa et al. Continuous multimodal user authentication: coupling hard and soft biometrics with support vector machines to attenuate noise
Tubbs et al. Facial expression analysis as a means for additional biometric security in recognition systems
Kao et al. Personal based authentication by face recognition
Kim et al. Real-time face verification using multiple feature combination and a support vector machine supervisor
Fatkhannudin et al. Gender classification using fisherface and support vector machine on face image
Singh et al. Face recognition using the gabor wavelet transform and feed forward neural network
Tiwari et al. An Exploratory Review of Face Recognition Techniques and Algorithms
Balasubramanian et al. Video-based person recognition using fovea intensity comparison code
Akinnuwesi Boluwaji et al. AUTOMATED STUDENTS'ATTEDANCE TAKING IN TERTIARY INSTITUTION USING HYBRIDIZED FACIAL RECOGNITION ALGORITHM
Chen et al. Geometric distribution weight information modeled using radial basis function with fractional order for linear discriminant analysis method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant